論文の概要: A scalable advantage in multi-photon quantum machine learning

• arxiv url: http://arxiv.org/abs/2511.21951v1
• Date: Wed, 26 Nov 2025 22:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.31587
• Title: A scalable advantage in multi-photon quantum machine learning
• Title（参考訳）: 多光子量子機械学習におけるスケーラブルな利点
• Authors: Yong Wang, Zhenghao Yin, Tobias Haug, Ciro Pentangelo, Simone Piacentini, Andrea Crespi, Francesco Ceccarelli, Roberto Osellame, Philip Walther,
• Abstract要約: 光子は、室温でのコヒーレンス時間が高くて長いため、量子情報技術の候補として期待されている。 最近の研究は、フォトニックプラットフォーム上で量子機械学習を実行することに注意を向けている。 ここでは、理論上および実験的に、多光子状態を持つ量子機械学習において、スケーラブルな優位性を確立する。
• 参考スコア（独自算出の注目度）: 2.574127489396133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photons are promising candidates for quantum information technology due to their high robustness and long coherence time at room temperature. Inspired by the prosperous development of photonic computing techniques, recent research has turned attention to performing quantum machine learning on photonic platforms. Although photons possess a high-dimensional quantum feature space suitable for computation, a general understanding of how to harness it for learning tasks remains blank. Here, we establish both theoretically and experimentally a scalable advantage in quantum machine learning with multi-photon states. Firstly, we prove that the learning capacity of linear optical circuits scales polynomially with the photon number, enabling generalization from smaller training datasets and yielding lower test loss values. Moreover, we experimentally corroborate these findings through unitary learning and metric learning tasks, by performing online training on a fully programmable photonic integrated platform. Our work highlights the potential of photonic quantum machine learning and paves the way for achieving quantum enhancement in practical machine learning applications.
• Abstract（参考訳）: 光子は、室温で高い堅牢性と長いコヒーレンス時間のために、量子情報技術の候補として期待されている。 フォトニックコンピューティング技術の発展に触発された最近の研究は、フォトニックプラットフォーム上で量子機械学習を実行することに注意を向けている。 光子は計算に適した高次元の量子特徴空間を持っているが、それを学習タスクに利用する方法の一般的な理解はいまだに空白である。 ここでは、理論上および実験的に、多光子状態を持つ量子機械学習において、スケーラブルな優位性を確立する。 まず、線形光回路の学習能力が光子数と多項式的にスケールできることを証明し、より小さなトレーニングデータセットから一般化し、より低いテスト損失値が得られることを示す。 さらに、完全プログラム可能なフォトニック統合プラットフォーム上でオンライントレーニングを行うことにより、単元学習とメートル法学習のタスクを通してこれらの発見を実験的に相関付ける。 我々の研究は、フォトニック量子機械学習の可能性を強調し、実用的な機械学習アプリケーションで量子エンハンスメントを実現するための道を開く。

関連論文リスト

• Harnessing Photon Indistinguishability in Quantum Extreme Learning Machines [0.723142344259161]
  量子極端機械学習 (QELM) プロトコルは、不明瞭な光子対と多モードファイバーをランダムな密度接続層として利用している。 画像分類タスクにおいて、識別可能で識別不能な光子に対して、光子偶然に基づくQELM性能を実験的に検討した。 この改良された性能を特徴空間の次元性や表現性の向上に関連づける。
  論文  参考訳（メタデータ） (2025-05-16T13:28:01Z)
• First Photon Machine Learning [1.4416132811087747]
  我々は,ニューラルネットワークの新しいパラダイムとして,最初の光子機械学習を提案する。 量子粒子の二重スリット実験の背景にある物理を多スリットバージョンに拡張することで、1つの光子が約30%の忠実度で画像認識を行うことができることがわかった。
  論文  参考訳（メタデータ） (2024-10-22T23:04:55Z)
• Information processing at the speed of light [0.0]
  量子フォトニックチップの導入は、スケーラビリティ、安定性、費用対効果を特徴とする時代を背景としている。 本稿では、光子の情報を符号化するといった重要な側面をカバーする、フォトニック量子コンピューティングを包括的に探求する。 このレビューはさらに、スケーラブルでフォールトトレラントなフォトニック量子コンピュータの確立に向けた道筋をたどっている。
  論文  参考訳（メタデータ） (2024-10-01T06:43:44Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Fock State-enhanced Expressivity of Quantum Machine Learning Models [0.0]
  フォトニックベースのボソニックデータエンコーディングスキームは、より少ないエンコーディング層を使用して古典的なデータポイントを埋め込む。 本稿では,必要なリソースのスケールの異なる3つの異なる雑音性中間スケール量子互換バイナリ分類法を提案する。
  論文  参考訳（メタデータ） (2021-07-12T07:07:39Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Single-photon quantum hardware: towards scalable photonic quantum technology with a quantum advantage [0.41998444721319217]
  単一光子量子ハードウェアにおける現状と、スケールアップに必要な主フォトニックビルディングブロックについて述べる。 量子通信およびフォトニック量子コンピューティングにおけるハードウェア構築ブロックの具体的な有望な応用を指摘したい。
  論文  参考訳（メタデータ） (2021-03-01T16:22:59Z)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。